基于多式人工智能融合算法的胎儿大脑磁共振成像预测模型的构建和临床验证

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胎儿的发育 胎儿的发育

背景情况:

• 胎儿大脑异常在产前诊断中带来了重大挑战.
• 准确预测这些异常对于及时干预和改善结果至关重要.
• 当前的诊断方法可能在灵敏度和特异性方面存在局限性.

研究的目的:

• 开发和评估一种多式人工智能 (AI) 融合模型,用于预测胎儿异常大脑发育.
• 将磁共振成像 (MRI) 数据与临床指标集成,以提高预测准确度.
• 为了比较不同AI融合架构的性能,包括CNN-RNN,注意力机制和特征连接.

主要方法:

• 利用806名孕妇 (2021年1月至2023年12月) 的胎儿大脑MRI数据和临床指标.
• 数据被分为培训 (70%) 和验证 (30%) 集.
• 开发了三种多式人工智能融合模型:基于注意力机制的CNN-RNN和特征连接.
• 使用单变量和多变量逻辑回归识别了关键预测因素.

主要成果:

• 注意力机制融合模型实现了0.876 (培训) 和0.869 (验证) 的最高曲线下面积 (AUC).
• 这种模型显著优于CNN-RNN (AUC~0.776) 和特征连接 (AUC~0.754) 模型.
• 确定的独立风险因素包括妊娠年龄,妊娠糖尿病,α-胎儿蛋白,侧腔室宽度和硫化物发育评分.

结论:

• 多式人工智能融合模型,特别是那些使用注意力机制的模型,在识别高风险胎儿大脑异常方面是有效的.
• 这种方法对早期临床干预和改善产前咨询充满了希望.
• 通过人工智能驱动的预测建模,可以通过人工智能驱动的预测建模来提高胎儿神经疾病的检测和预后.